Transformación inversa de los datos

Clase 16 de 17 • Curso de Manejo de Datos Faltantes: Imputación

Jeinfferson Bernal G

student•

Transformacion Inversa de los datos

Una vez realizado el procesamiento de los datos faltantes sobre variables categoricas que estan representadas por numeros, el siguiente paso es transformar dichas variables en texto nuevamente para dar una mejor interpretacion a los resultados.

Utilizamos los datos nhane_mice_df que son los que queremos transformar

 # creamos una copia del dataframe

nhanes_imputed_df = nhanes_mice_df.copy(deep=True)

Mostrar las transformaciones hechas a los datos

(
    categorical_transformer # funcion que transforma los valores
    .named_transformers_    # nombre de las transformaciones realizadas a los datos
)

--> {'ordinalencoder': OrdinalEncoder(), 'remainder': 'passthrough'}

Accedemos al codificador de interes

# en este caso a ordinalencoder

(
    categorical_transformer # funcion que transforma los valores
    .named_transformers_    # nombre de las transformaciones realizadas a los datos
    .ordinalencoder
)

Finalmente accedemos a la funcion inversa para aplicar sobre los datos ordinalencoder

# las variables estan guardadas en categorical_columns

(
    categorical_transformer # funcion que transforma los valores
    .named_transformers_    # nombre de las transformaciones realizadas a los datos
    .ordinalencoder
    .inverse_transform(
        X=nhanes_mice_df[categorical_columns]
    )
)

--> array([['Good', 'Female'],
       ['Very good', 'Male'],
       ['Good', 'Male'],
       ...,
       ['Good', 'Female'],
       ['Very good', 'Female'],
       ['Good', 'Male']], dtype=object)

Guardamos los datos transformados en el df nhanes_imputed_df


nhanes_imputed_df[categorical_columns] = (
    categorical_transformer # funcion que transforma los valores
    .named_transformers_    # nombre de las transformaciones realizadas a los datos
    .ordinalencoder
    .inverse_transform(
        X=nhanes_mice_df[categorical_columns]
    )
)

nhanes_imputed_df

Comparar las variables antes y despues de la imputacion

# cantidad para cada categoria del estado de salud. Valores sin imputar

nhanes_df.general_health_condition.value_counts()

--> Good         2383
Very good    1503
Fair or      1130
Excellent     612
Poor?         169
Name: general_health_condition, dtype: int64

# cantidad para cada categoria del estado de salud. Valores imputados

nhanes_imputed_df.general_health_condition.value_counts()

--> Good         3743
Very good    1503
Fair or      1130
Excellent     612
Poor?         169
Name: general_health_condition, dtype: int64

Verificar que no hayan quedado valores faltantes

nhanes_imputed_df.missing.number_missing()

--> 0

Leidy Johana Alarcon Moya

student•

Muchisimas gracias por tus resumenes, me has ahorrado mucho tiempo!

Jeinfferson Bernal G

student•

estamos para ayudarnos 😉👍

Paolo Joaquin Pinto Perez

student•

Esta clase fue de pasar todo el trabajo a limpio, fue gratificante la parte en la que se convierte a str

Julián Cárdenas

student•

👏

Mario Chavez

student•

Use este codigo para comparar la distribucion original de la altura y el peso con el de los datos imputados y observe que alteraron la distribucion normal que tenian originalmente y mueve un poco la media. Yo usaria la imputacion knn para este dataset.

sns.jointplot(
    data=nhanes_df,
    x = 'height',
    y = 'weight',
    hue = 'gender',
    kind='scatter'
)
sns.jointplot(
    data=nhanes_final_df,
    x = 'height',
    y = 'weight',
    hue = 'gender',
    kind='scatter'
)
(
    nhanes_final_df
    .missing.scatter_imputation_plot(
        x='height',
        y='weight',
        show_marginal=True
    )
)

Paola Alapizco

student•

📝 Para concluir una exploración de valores faltantes, debemos seleccionar el método de imputación que mejor se ajuste a los datos con los que estemos trabajando, si nuestro dataset incluye valores faltantes categóricos que codificamos para su imputación, al final debemos transformarlos a sus valores originales (texto). Ahora si con un conjunto de datos completo podemos proceder ya sea a realizar un EDA, análisis de datos, a entrenar un modelo de ML, etc.

Pablo Alejandro Figueroa

student•

genial!